券商行業線上獲客應如何破局？

隨著互聯網經濟在傳統券商的滲透，數字化營銷已然成為傳統劵商轉型的重要布局。從新增客戶結構來看，新增用戶年輕用戶佔比逐漸提升，存量客戶通過移動端瀏覽行情和交易的人數已經遠超PC客戶端的用戶數，所以做好APP上的拉新對於劵商移動運營行業的深入有著先聲奪人的功效。如何把握趨勢、選擇渠道、提升廣告投放效果對於劵商APP的拉新則有著實際效果的體現。

由於券商垂直人群窄，流量上限等問題讓品牌營銷舉步維艱，對於效果營銷，APP的獲客成本和難度不斷增加，羊毛率也是有增無減。總結線上獲客痛點的成因，一方面是券商用戶從媒體投放到開戶鏈條太長，另一方面是金融行業的強監管環境，在營銷方式，廣告措詞和客戶適當性有諸多合規要求，例如：證券公司不得委託其他單位或個人進行客戶招攬、產品銷售服務。

傳統券商用戶旅程

［當前券商線上獲客方式］

1.總部合作：通過總部合作進行外部引流，例如，與覆蓋潛在目標用戶APP合作引流；

2.活動運營：活動外部引流，包括：活動在外部APP引流，活動宣傳海報二維碼；

3.線上渠道：應用市場優化，線上APP投放進行開戶引流；

4.微信公眾號：通過新媒體，內容運營的方式引導客戶進行APP的下載；

無論何種方式，都希望能夠在這個互聯網與移動無線應用的時代，在與用戶接觸的各個節點介入，完成整個客戶的渠道建設：引起注意（Awareness），獲取用戶(Acquisition)，提高活躍度（Activation），提高留存率（Retention），獲取收入（Revenue），主動傳播（Refer）。

要達成這樣一個客戶渠道建設的鏈路，第一步就是要「找對人」（who），這樣才能夠在各個節點上與用戶溝通順暢，當客戶心裡認同「懂我」的時候，便有效回應了客戶目前的需求。再逐步推進鏈路中的其他環節，相互配合才能完整客戶渠道的建設。

［利用一方數據找人］

金融行業的各個領域都已在深化數據價值方面已經開始布局，持續建立並完善自己的數據倉庫，在一定程度上，已具備了一方數據資產積累。這些數據資產通常包含了CRM、會員數據、還有線上、線下累計的用戶數據等，且在實際的應用中，可以用於打通數據到目標受眾的渠道。例如在一方數據的支持下，通過Lookalike技術從累積的數據資產中找出人群特徵，基於特徵回到在TD活躍的設備人群中進行深度學習，最終訓練出一批高相似度人群進行效果廣告投放。

Lookalike 字面上來講就是尋找數據相似性，它是基於應用APP安裝活躍度、地理位置、設備以及加工出來的人口屬性、興趣、消費偏好等多個維度進行學習。例如利用抽樣的集成邏輯回歸模型建立種子人群和非種子人群的分類器，這樣繁瑣維度的需要有足夠大的硬體設備支撐，科學的演算法模型，大量的數據校驗提升數據精確度的支持。相較千萬維度，TD會要求數億樣本的數據集實現在10分鐘內完成訓練。

［利用三方數據找人］

從品牌的建設來看，三方數據在精準補充的同時也要進行同類產品的比較、行業偏好人群的覆蓋擴大。多種數據策略的引入，結合大流量媒體移動端效果平台，實現移動運營傳播效率的提升。

TalkingData營銷雲憑藉TalkingData SmartDP智能數據平台累計超過40億智能終端的海量人本數據，以強大的數據科學能力為依託，通過多種方式為品牌」找對人」：

1、基於TalkingData海量第三方自有標籤庫定位目標受眾

當某企業想提升品牌效應，希望在某一類客群中產生足夠影響力的時候，可以通過TD 目前累計的7大維度和800+的標籤體系來達成。例如定向聚類客群如汽車、房產、母嬰、金融、證券等覆蓋更多潛在用戶群體。

2、藉助地理圍欄構建目標受眾打通線上、線下的數據

移動設備通過LBS或者Wi-Fi技術很好的定位用戶的地理位置信息點，結合線下的一些場景數據（汽車4S店、醫院、購物商城、證券營業廳等）來構建品牌的目標客群。

［利用二方數據找人］

二方數據是廣告主通過線上廣告投放所積累的大量曝光、點擊、以及轉化到不同階段的用戶廣告行為所積累的數據，通常表現為各種類型的設備號。這種數據通過對這部分人群的持續影響，可以將這部分人群中的高意向人群轉化為廣告主自有客戶，甚至是高價值客戶。

廣告投放中，TalkingData通過迭代採集廣告數據資產的方式來優化投放效率。對於一方數據所表現出的數據資產做出補充，更新后的數據通過分析對後續廣告的投放及營銷產生新的驅動。例如作為獲客的畫像參考依據，以此優化場景標籤的選取；重新定義Lookalike種子人群，以達到更為高效的人群擴大等。

［某劵商『尋客』運營實例］

面對券商線上獲客應如何破局，歸根結底是有效利用移動端對用戶行為數據採集的優勢：更豐富的交互行為，可分析維度和相應的營銷觸及方式。我們通過數據更加了解客戶甚至影響到券商用戶行為。

在與某劵商的合作中，TalkingData通過Lookalike和標籤定位客戶來達成尋客及渠道質量的評估。為達到優化線上引流成本的目的，我們通過以下三組人群在相同預算，相同時間，相同素材以及廣告位的情況下進行線上渠道投放。

通過以上三個人群的投後分析，我們看到不論是TD標籤，還是Lookalike演算法對客戶原本的投放成本和效率都有了成倍的改觀。從投放效果來看券商客戶目標人群和廣告位流量的匹存在優化空間，通過三個人群對應素材以及廣告位快速迭代進行二次營銷，提升標籤構造與人群的畫像在投放過程中的迭代速度。只有不斷提升效率和迭代速度才能在互聯網競爭中掌握主動。數據運營相較於傳統運營，具有更為整體化的規劃及步驟，需通過營銷，現有數據分析等小閉環的連接來達成。

在傳統的運營方式里，對孤立指標提升的過度關注導致了整體業務提升的短視性。單項活動所帶來的拉新；沉睡客戶的喚醒；羊毛黨的篩選等多種維度的運營都停滯在單季度或單一時間節點的增長上。但整體業務的提升及客戶在長線的轉化漏斗中持續性流失問題需要更為細緻的分析。

梳理出的羊毛黨名單及特徵模型，可用於節約喚醒過程成本，也可用於預防拉新中資源佔用等。收集不同的單KPI衍生出的數據特徵，完成散點KPI的脈絡梳理。例如沉睡用戶喚醒中通過交易行為和畫像標籤前置篩選羊毛黨，找出真實暫離戶，才能幫助劵商更好的打通營銷及運營生態。整體來看，如何能更好的用數據驅動運營，從前期的獲客，到之後的轉化、留存，都需要通過不斷的迭代與調整來沉澱更貼合運營場景的運營方式。